L’analyse microbiologique est essentielle pour garantir la sécurité sanitaire dans des secteurs sensibles comme l’agroalimentaire, la cosmétique ou la pharmaceutique. Elle repose encore largement sur des méthodes manuelles, notamment le comptage et la classification des colonies sur boîtes de Petri. Ce travail est long, fastidieux et sujet à erreurs dues à la variabilité des colonies, aux chevauchements ou aux artefacts visuels. Les algorithmes traditionnels montrent rapidement leurs limites. Les techniques récentes d’IA ouvrent de nouvelles perspectives pour automatiser ces tâches avec plus de précision et de robustesse. Cette thèse s’inscrit dans cette dynamique en proposant deux axes complémentaires : l’utilisation de réseaux neuronaux avancés (CNN, ViT) pour détecter et classifier automatiquement les colonies microbiennes, et la génération d’images synthétiques via modèles de Diffusion afin d’enrichir les bases de données et améliorer les performances en conditions réelles. En combinant rigueur scientifique, expérimentations sur données réelles et solutions concrètes, ce travail contribue à moderniser l’analyse microbiologique et ouvre la voie à des systèmes plus fiables, rapides et adaptés aux besoins industriels.